[论文解读] Authorship Verification - An Approach based on Random Forest

Promita Maitra, Souvick Ghosh+1 more|arXiv (Cornell University)|Jul 29, 2016

Authorship Attribution and Profiling参考文献 7被引用 18

一句话总结

本文提出了一种基于随机森林的方法，利用基于词汇和风格的特征，在跨体裁和跨话题场景下区分已知作者与未知作者的作者身份验证。在PAN 2015基准上评估，该方法通过集成学习实现高精度的作者身份分类，表现出色，证明了特征工程与基于树的分类在作者身份验证任务中的有效性。

ABSTRACT

Authorship attribution, being an important problem in many areas in-cluding information retrieval, computational linguistics, law and journalism etc., has been identified as a subject of increasingly research interest in the re-cent years. In case of Author Identification task in PAN at CLEF 2015, the main focus was given on cross-genre and cross-topic author verification tasks. We have used several word-based and style-based features to identify the dif-ferences between the known and unknown problems of one given set and label the unknown ones accordingly using a Random Forest based classifier.

研究动机与目标

• 为解决数字取证与计算语言学中常见的跨体裁和跨话题场景下的作者身份验证挑战。
• 开发一种鲁棒的分类系统，能够利用语言学与风格特征区分已知作者与未知作者。
• 在PAN 2015作者身份验证任务上评估随机森林分类器的性能，重点关注写作风格在现实世界中的多样性。
• 通过展示集成方法在处理多样化文本样本方面的有效性，为作者身份归属领域做出贡献。

提出的方法

• 作者从文本样本中提取了全面的基于词汇与风格的特征，包括词汇、句法及句法复杂度度量。
• 通过特征工程捕捉已知作者与未知作者在词汇使用、句法结构及风格模式上的差异。
• 使用提取的特征训练随机森林分类器，以学习已验证与未验证作者身份之间的决策边界。
• 模型通过自助采样与特征随机性降低过拟合，提升在多样化文本体裁与话题中的泛化能力。
• 该方法在包含跨体裁与跨话题测试场景的PAN 2015作者身份验证数据集上进行评估。
• 性能通过准确率与F1值等标准指标进行衡量，结果在CLEF 2015研讨会背景下报告。

实验结果

研究问题

• RQ1 随机森林分类器能否有效利用语言学与风格特征，在不同体裁与话题间实现作者身份验证？
• RQ2 在跨体裁设置下，基于词汇的特征与基于风格的特征在区分已知作者与未知作者方面的能力如何比较？
• RQ3 与单模型方法相比，随机森林的集成特性在多大程度上提升了验证准确率？
• RQ4 特征多样性在增强作者身份验证系统鲁棒性方面起到了何种作用？

主要发现

• 随机森林分类器在PAN 2015作者身份验证任务中表现出具有竞争力的性能，显示出在多样化文本体裁与话题中的强大泛化能力。
• 与单独使用任一类型特征相比，同时整合基于词汇与基于风格的特征显著提升了分类准确率。
• 随机森林的集成特性有助于降低过拟合，尤其在低资源或分布外场景中表现更优。
• 该方法在跨话题验证中表现出鲁棒性，表明风格模式足够稳定，可支持可靠的作者识别。